Détail de l'auteur
Auteur Hiroshi Kanasugi |
Documents disponibles écrits par cet auteur (3)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externesConvolutional neural network for traffic signal inference based on GPS traces / Yann Méneroux (2018)
contenu dans Spatial big data and machine learning in GIScience, Workshop at GIScience 2018, Melbourne, Australia, 28 August 2018 / Martin Raubal (2018)
Titre : Convolutional neural network for traffic signal inference based on GPS traces Type de document : Article/Communication Auteurs : Yann Méneroux Editeur : Zurich : Eidgenossische Technische Hochschule ETH - Ecole Polytechnique Fédérale de Zurich EPFZ Année de publication : 2018 Projets : 1-Pas de projet / Conférence : Workshop 2018 on Spatial big data and machine learning 28/08/2018 28/08/2018 Melbourne Australie OA Proceedings Importance : pp 9 - 12 Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique
[Termes IGN] apprentissage automatique
[Termes IGN] apprentissage profond
[Termes IGN] données maillées
[Termes IGN] réseau neuronal convolutif
[Termes IGN] trace GPS
[Termes IGN] trafic routier
[Termes IGN] traitement de données localiséesRésumé : (auteur) Map inference techniques aim at using GPS trajectories collected from a fleet of vehicles, to infer geographic information and enrich road map databases. In this paper, we investigate whether a Convolutional Neural Network can detect traffic signals on a raster map of features computed from a large dataset of GPS traces. Experimentation revealed that our model is able to capture traffic signal pattern signature on this very specific case of unnatural input images. Performance indices are encouraging but need to be improved through a more refined tuning of the workflow. Numéro de notice : C2018-053 Affiliation des auteurs : LASTIG COGIT+Ext (2012-2019) Thématique : GEOMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=91340 Documents numériques
en open access
CNN for traffic signal inference ... - pdf éditeurAdobe Acrobat PDF
Titre : Detection and localization of traffic signals with GPS floating car data and Random Forest Type de document : Article/Communication Auteurs : Yann Méneroux Editeur : Leibniz [Allemagne] : Schloss Dagstuhl – Leibniz-Zentrum für Informatik Année de publication : 2018 Collection : LIPIcs Leibniz International Proceedings in Informatics, ISSN 1868-8969 num. 114 Projets : 1-Pas de projet / Conférence : GIScience 2018, 10th International Conference on Geographic Information Science 28/08/2018 31/08/2018 Melbourne Australie Open Access Proceedings Importance : 15 p. Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique
[Termes IGN] apprentissage automatique
[Termes IGN] base de données routières
[Termes IGN] carte routière
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] distribution spatiale
[Termes IGN] guidage de véhicules
[Termes IGN] inférence
[Termes IGN] Japon
[Termes IGN] trace GPS
[Termes IGN] trafic routier
[Termes IGN] traitement de données localisées
[Termes IGN] villeRésumé : (auteur) As Floating Car Data are becoming increasingly available, in recent years many research works focused on leveraging them to infer road map geometry, topology and attributes. In this paper, we present an algorithm, relying on supervised learning to detect and localize traffic signals based on the spatial distribution of vehicle stop points. Our main contribution is to provide a single framework to address both problems. The proposed method has been experimented with a one-month dataset of real-world GPS traces, collected on the road network of Mitaka (Japan). The results show that this method provides accurate results in terms of localization and performs advantageously compared to the OpenStreetMap database in exhaustivity. Among many potential applications, the output predictions may be used as a prior map and/or combined with other sources of data to guide autonomous vehicles. Numéro de notice : C2018-051 Affiliation des auteurs : LASTIG COGIT+Ext (2012-2019) Thématique : GEOMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.4230/LIPIcs.GISCIENCE.2018.11 Date de publication en ligne : 30/07/2018 En ligne : http://drops.dagstuhl.de/opus/volltexte/2018/9339/ Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=91335 Documents numériques
en open access
Detection and localization of traffic signals ... - pdf éditeurAdobe Acrobat PDF
contenu dans 27èmes Journées de la Recherche de l'IGN / Journées Recherche de l'IGN 2018, 27es Journées (22 - 23 mars 2018; Cité Descartes, Champs-sur-Marne, France) (2018)
Titre : Utilisation de véhicules traceurs pour la détection et la localisation de l'infrastructure routière par apprentissage automatique Type de document : Article/Communication Auteurs : Yann Méneroux Editeur : Saint-Mandé : Institut national de l'information géographique et forestière - IGN (2012-) Année de publication : 2018 Conférence : Journées Recherche de l'IGN 2018, 27es Journées 22/03/2018 23/03/2018 Champs-sur-Marne France programme sans actes Langues : Français (fre) Descripteur : [Vedettes matières IGN] Analyse spatiale
[Termes IGN] apprentissage automatique
[Termes IGN] détection d'objet
[Termes IGN] espace urbain
[Termes IGN] feu de circulation
[Termes IGN] réseau routier
[Termes IGN] trafic routierRésumé : (Auteur) Avec la démocratisation des appareils connectés équipés de récepteur GPS, de grandes quantités de trajectoires de véhicules deviennent disponibles. Récemment, les techniques dites de map inference, visant à dériver de l’information cartographique à partir de traces GPS, tendent à compléter les techniques traditionnelles. Initialement restreintes à la construction de la géométrie des routes, elles sont progressivement utilisées pour enrichir les réseaux existants. Les méthodes d’apprentissage statistique (par exemple, réseaux de neurones, forêts aléatoires...) apportent une perspective intéressante et garantissent l’adaptabilité de l’approche aux différents cas d’utilisation. Nous nous intéressons ici à la détection des feux tricolores, en travaillant dans un premier temps sur un jeu de données expérimental, sur lequel nous comparons les performances d’approches dites «image» et «fonctionnelle». Nous tentons ensuite d’étendre les résultats obtenus sur des données réelles. Numéro de notice : C2018-087 Affiliation des auteurs : LASTIG COGIT+Ext (2012-2019) Thématique : GEOMATIQUE/POSITIONNEMENT/URBANISME Nature : Communication nature-HAL : ComSansActesPubliés-Unpublished DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=91539 Documents numériques
en open access
Utilisation de véhicules traceurs pour la détection - diaporama de présentationAdobe Acrobat PDF
